SOFTWARE, INSTRUMENTACIÓN Y METODOLOGÍA

Tamaño: px
Comenzar la demostración a partir de la página:

Download "SOFTWARE, INSTRUMENTACIÓN Y METODOLOGÍA"

Transcripción

1 Psicothema, Vol. 9, nº 2, pp ISSN CODEN PSOTEG SOFTWARE, INSTRUMENTACIÓN Y METODOLOGÍA UNA PROPUESTA PARA EL ANÁLISIS DE RESPUESTAS BINARIAS EN DISEÑOS «CROSS-OVER» Mariona Portell y Josep M. Domènech Universitat Autònoma de Barcelona Se realiza una aproximación a la problemática que presenta el análisis del diseño «cross-over» cuando la variable dependiente es binaria. Se presentan las posibilidades que ofrece la regresión logística condicional exacta implementada en la aplicación Log- Xact, para abordar el análisis de este diseño. Se ilustra de forma práctica el uso de Log- Xact en torno a los datos de un estudio sobre la decisión de adoptar precauciones contra la infección ocupacional por VIH, en el que además del efecto del tratamiento se evalúan simultáneamente los efectos de período y de «carry-over». A proposal to analyze binary responses in cross-over designs. This paper focuses on the problems derived from the analysis of cross-over designs with binary dependent variables. In order to approach this analysis, we present those possibilities offered by a conditional exact logistic regression implemented to LogXact application. We illustrate the use of LogXact based on data from a study on decisions to take precautions against HIV infection in work environment. Besides the treatment effect, we simultaneously evaluate those effects of period and carry-over. El diseño «cross-over» o alternativo, también conocido como diseño conmutativo o diseño cruzado, es un plan de investigación experimental en el que cada sujeto recibe una secuencia de tratamientos en un orden determinado por la estructura del propio diseño, con el objetivo de estudiar diferencias entre los tratamientos individuales (Arnau y Viader, 1991; Bishop y Jones, 1984; Jones y Kenward, 1989; Senn, 1993). Así, Correspondencia: Mariona Portell Laboratori d Estadística Aplicada i de Modelització Universitat Autònoma de Barcelona. Apdo. de Correos Bellaterra-Barcelona (Spain) por ejemplo, en su expresión más simple, que es el caso de dos tratamientos (A y B) y dos períodos de respuesta (diseño 2x2), implica asignar al azar a la mitad de la muestra a la secuencia de aplicación de los tratamientos AB y a la otra mitad a la secuencia BA, con el objetivo de comparar la respuesta bajo el tratamiento A con la respuesta bajo el tratamiento B. La comparación se realiza utilizando una estrategia intrasujeto, de forma que cada participante actúa como su propio control. Esto supone considerables ventajas en relación con los diseños que utilizan una estrategia de comparación intersujeto, pero también comporta importantes in- Psicothema,

2 UNA PROPUESTA PARA EL ANÁLISIS DE RESPUESTAS BINARIAS EN DISEÑOS «CROSS-OVER» convenientes (Greenwald, 1976; Jones y Kenward, 1989; Jones y Lewis, 1995; Senn, 1993). Desde un punto de vista estadístico, la principal ventaja de la estrategia intrasujeto es que sustrae de la comparación cualquier componente que se refiera a las diferencias individuales, reduciendo la variancia de error. Esto hace que precise de una muestra mucho menor que un diseño intersujeto para alcanzar la misma potencia en la detección de diferencias entre tratamientos. En este sentido, puede decirse que los diseños que utilizan la estrategia intrasujeto son más económicos tanto desde el punto de vista de las unidades experimentales, como de la propia situación experimental. Los principales inconvenientes asociados al diseño «cross-over», que se derivan del hecho de que el mismo sujeto reciba más de un tratamiento, se pueden agrupar en efectos de período y «carry-over». El efecto de período se refiere al cambio en la respuesta atribuible meramente al hecho de que se produzca en un momento determinado de la secuencia experimental. Si el momento en que se aplica el tratamiento produce diferencias en las respuestas, la estimación del efecto de los tratamientos estará confundida con el efecto del período. A nivel metodológico el diseño «cross-over» controla esta fuente de confusión incorporando la técnica del contrabalanceo, y desde un punto de vista estadístico la considera en el momento de estimar el efecto del tratamiento. El «carry-over», también conocido como efecto residual, se refiere a la prolongación del efecto de un tratamiento más allá del período de presentación. El objetivo del diseño «cross-over» es medir el efecto del tratamiento en el momento en que se administra, de manera que se debe controlar la posibilidad de que la respuesta en un período esté influida por el tratamiento administrado en períodos precedentes. El principal procedimiento para eliminar este efecto pasa por introducir períodos de reposo entre la aplicación de los tratamientos. Además, el modelo propuesto para el diseño «cross-over» incluye el efecto de «carry-over», a diferencia de los propuestos para otras concreciones del diseño intrasujeto, como por ejemplo el cuadrado latino (Arnau y Viader, 1991). En realidad, cabe considerar el efecto de «carry-over» como una de las explicaciones posibles de una problemática más general que es la interacción entre tratamientos y períodos de presentación. Como señalan Jones y Kenward (1989, p. 5) «si bien en un ensayo bien planteado la posibilidad de que los tratamientos interactúen con los períodos será pequeña, es claramente preferible utilizar un diseño que permita detectar la interacción y si es posible identificar si es el resultado o no de un efecto de carry-over». Cabe tener en cuenta que esta alternativa es imposible en diseños «cross-over» 2x2, porque están confundidos los efectos de grupo, los efectos de «carry-over» y la interacción tratamientoxperíodo, de manera que sólo se pueden estimar de manera imprecisa algunos de estos efectos (véase Jones y Kenward, 1989, cap. 2). En general, cuando la variable dependiente del diseño se mide con una escala métrica, el análisis se puede llevar a cabo utilizando técnicas convencionales de Análisis de la Variancia (véase p.e. Arnau, 1995). Sin embargo, cuando las respuestas que se analizan son binarias, a los inconvenientes estructurales citados en los párrafos anteriores se les suma la carencia de una propuesta de análisis consensuada debido, en gran parte, a la falta de un marco distribucional flexible, análogo a la distribución normal multivariante para datos continuos. Esta situación se pone de manifiesto en un interesante trabajo de Kenward y Jones (1992) en el que contrastan diferentes propuestas para analizar respuestas binarias obtenidas a partir de diseños intrasujeto. Una de las conclusiones de este trabajo es que 408 Psicothema, 1997

3 MARIONA PORTELL Y JOSEP M. DOMÈNECH ninguna de las alternativas produce simultáneamente expresiones simples, en términos de parámetros del modelo, para las distribuciones conjunta, marginal y condicional de las observaciones. Por otra parte, también se pone de manifiesto que los diferentes procedimientos de análisis son objeto de una activa área de investigación a la que continuamente se incorporan nuevas propuestas. Una de las líneas de investigación más prometedoras es la relacionada con los métodos de inferencia exacta, y entre sus desarrollos más interesantes desde un punto de vista aplicado se halla el programa LogXact (Mehta y Patel, 1993). El objetivo de este artículo es presentar una propuesta para el análisis de diseños «cross-over» con variables dependientes binarias mediante el programa LogXact. En primer lugar sintetizaremos las ventajas que se derivan del análisis basado en modelos de regresión logística condicional exacta, para pasar posteriormente a ilustrar el uso de LogXact a través de los datos de un estudio. Enfoque condicional e inferencia exacta Es frecuente que los diseños «crossover» se apliquen en muestras de reducido tamaño y que existan combinaciones de respuesta con 0 efectivos (Jones y Kenward, 1989; Kenward y Jones, 1991). Ambos aspectos desaconsejan la utilización de algunas propuestas de análisis de medidas repetidas binarias como los modelos marginales que utilizan métodos de estimación mínimo-cuadrática (Kenward y Jones, 1992). Entre las alternativas basadas en métodos de verosimilitud destacan los modelos de efectos de sujeto que utilizan análisis condicional (Conaway, 1989). Uno de los aspectos distintivos de estos modelos es el tratamiento que realizan de la estructura de dependencia intrasujeto. En efecto, desde esta perspectiva el grupo de totales de sujeto forman un estadístico suficiente para el grupo de efectos de sujeto y son tratados como un parámetro de perturbación, que se elimina del análisis al condicionarlo sobre este estadístico suficiente. Esta estrategia es apropiada para modelizar el cambio a nivel intrasujeto y evita el tener que realizar supuestos sobre la distribución aleatoria del efecto de sujeto. En la exposición que realizan Kenward y Jones (1992) de este análisis condicional se elimina el parámetro de sujeto, pero la verosimilitud condicional restante puede contener otros parámetros de perturbación, como por ejemplo efectos de período, y el análisis se lleva a cabo con técnicas convencionales de verosimilitud asintótica. En unos trabajos posteriores de Mehta y Patel (1993, 1995) centrados en la regresión logística, proponen un paso adicional según el cual todos los parámetros de perturbación son condicionados y el análisis se realiza con métodos exactos. LogXact es un programa diseñado específicamente para realizar inferencia exacta de los parámetros del modelo de regresión logística. A continuación, ilustraremos el proceso de ajuste del modelo condicional mediante LogXact, pero antes haremos algunas precisiones terminológicas relativas al significado que se otorga al término «condicional» en este contexto. Es habitual denominar «regresión logística condicional» a aquellos modelos en los que las constantes específicas de estrato se eliminan condicionándolas a su estadístico suficiente. Sin embargo, en el contexto de LogXact el uso del término condicional sin mayor concreción es ambiguo dado que los métodos exactos también son condicionales. Para evitar confusiones, Mehta y Patel (1993) proponen una doble distinción en función del tipo de datos y del método de inferencia. En función del tipo de datos distinguen el caso no estratificado del estratificado, englobando bajo este último término aquellos datos que muestran algún tipo de Psicothema,

4 UNA PROPUESTA PARA EL ANÁLISIS DE RESPUESTAS BINARIAS EN DISEÑOS «CROSS-OVER» apareamiento (artificial, natural o autoapareamiento). Respecto al método de inferencia distinguen entre inferencia máximo-verosímil incondicional, inferencia máximoverosímil condicional e inferencia condicional exacta. La aplicación LogXact tiene implementados estos tres métodos de inferencia y puede analizar datos estratificados y no estratificados; utiliza máxima verosimilitud incondicional para analizar datos no estraficados, máxima verosimilitud condicional para analizar datos estratificados y métodos condicionales exactos para analizar ambos tipos de datos. Análisis de un diseño «cross-over» con LogXact Ilustraremos el uso de LogXact para analizar diseños «cross-over» a partir de una investigación sobre los factores que modulan la decisión de usar precauciones en situaciones reales de riesgo (Portell, 1995). El estudio se efectuó con profesionales de enfermería expuestos al riesgo de infección por VIH, y la decisión objeto de estudio era la de seguir las precauciones universales al atender a pacientes cuyo estado en relación con el VIH les era desconocido. Uno de los objetivos era evaluar el efecto de las expectativas del profesional relativas al estado del paciente, sobre la decisión de adoptar precauciones. La hipótesis de partida es que los profesionales sanitarios modifican su preferencia por la protección según las expectativas de que el paciente sea de mínimo o de máximo riesgo. Para estudiar experimentalmente esta hipótesis, la variable expectativa (variable independiente) se operativizó mediante estímulos gráficos representativos de los niveles que se pretendían estudiar. Cabe destacar que la investigación incorporaba un procedimiento encaminado a garantizar que, para cada participante, los estímulos utilizados fueran representativos del nivel nominal de interés (véase Portell, 1995). En función del objetivo y de la hipótesis planteados se consideró que la estrategia de comparación intrasujeto era más adecuada que la intersujeto y se optó por un diseño «cross-over», realizando un contrabalanceo completo intersujeto, que permitiera sistematizar el estudio del efecto de período y evaluar la hipótesis de igualdad de los efectos de «carry-over». La Tabla 1 contiene los datos que se analizarán con el modelo de regresión logística condicional exacta. La variable independiente es la expectativa con tres categorías: mínima (A), máxima (B) y no precisada (C). La variable dependiente se ha definido con dos categorías: usar precauciones (1) y no usar precauciones (0). Así pues, existen 6 secuencias de tratamiento y 8 patrones de respuesta posibles. La muestra inicial estaba formada por 24 sujetos, que se asignaron al azar a las seis secuencias de tratamiento realizando una división equilibrada cada 6 individuos. Tabla 1 Número de sujetos por grupo y patrón de respuesta Grupo Patrones de respuesta (secuencia tratamiento) Total 1 (A-B-C) (A-C-B) (B-A-C) (C-A-B) (C-A-B) (C-B-A) Total Los datos de la Tabla 1 presentan dos problemas que son habituales en los diseños «cross-over» y limitan las posibilidades en el momento de escoger una estrategia de análisis. Por una parte, el ligero desequilibrio que se observa en el número de sujetos por secuencia de tratamiento, como conse- 410 Psicothema, 1997

5 MARIONA PORTELL Y JOSEP M. DOMÈNECH cuencia de la pérdida de uno de los participantes asignados al grupo 5. Por otra parte, el gran número de secuencias de respuesta con 0 efectivos, y la ausencia total de efectivos en dos de las ocho secuencias (101 y 111). Para evaluar si la decisión varía en función del nivel de expectativa, se incluye la expectativa, medida con una escala nominal, como la principal variable en un modelo de regresión logística condicional. Además de esta variable con tres categorías, se incluye un factor período y un factor «carryover» con dos grados de libertad cada uno. De acuerdo con la lógica del análisis condicional, en este modelo cada sujeto se considera como un estrato que contiene su secuencia de respuestas, una para cada período de observación. En este sentido se asume que las observaciones del mismo sujeto son condicionalmente independientes dado el efecto de estrato. De esta forma el modelo de partida que se estimará con LogXact es: π ij log l π ij = γ i + β l x lij + β 2 x 2ij + β 3 x 3ij + β 4 x 4ij + β 5 x 5ij + β 6 x 6ij (1) siendo γ i el efecto de estrato para el sujeto i; x 1ij es una variable ficticia que toma valor 1 si el estímulo de mínimo riesgo se presenta al sujeto i en el período j y valor 0 en cualquier otro caso; x 2ij es una variable ficticia que toma valor 1 si el estímulo de máximo riesgo se presenta al sujeto i en el período j y valor 0 en cualquier otro caso; x 3ij es una variable ficticia que toma valor 1 si el período j es el primero y 0 en cualquier otro caso; x 4ij es una variable ficticia que toma valor 1 si el período j es el segundo y 0 en cualquier otro caso; x 5ij es una variable ficticia que toma valor 1 si la expectativa presentada en el período j-1 es la mínima; x 6ij es una variable ficticia que toma valor 1 si la expectativa presentada en el período j-1 es la máxima. Técnicamente es posible ampliar este modelo incluyendo la interacción períodoxtratamiento o el «carry-over» de segundo orden (para profundizar en la definición de estos factores adicionales se pueden consultar los textos de Jones y Kenward, 1987, 1989). En este ejemplo nos centraremos únicamente en los seis parámetros incluidos en el modelo (1). La parte izquierda de la Figura 1 ilustra la estructura que debe tener la matriz de datos para ajustar este modelo con LogXact. Como se puede observar las tres respuestas emitidas por cada sujeto se introducen como una única variable (RES), incluyendo además el identificador de caso (CASO) que se utilizará para realizar la estratificación. Asimismo, dentro de cada estrato se debe especificar el valor que toman los factores expectativa (EXP), período (PER) y «carryover» (CO). Los tres niveles de expectativa (A, B y C) y los tres períodos se han codificado con 1, 2 y 3. El «carry-over» se ha codificado con 0 si la observación ocurre en el primer período, 1 si ha estado precedida por la expectativa A, 2 si ha estado precedida por la expectativa B y 3 si ha estado precedida por la expectativa C. A partir de esta información se puede interpretar fácilmente el contenido de la primera tabla de la Figura 1: los tres primeros registros corresponden al sujeto 1 que se ha asignado a la secuencia BAC y ha respondido con el patrón 100, mientras que los tres últimos registros corresponden al sujeto 23 que se ha asignado a la secuencia ABC y ha respondido con el patrón 110. Figura 1. Matriz de datos estratificados y codificados respecto a una categoría de referencia. Psicothema,

6 UNA PROPUESTA PARA EL ANÁLISIS DE RESPUESTAS BINARIAS EN DISEÑOS «CROSS-OVER» En la segunda tabla de la Figura 1 se detalla la descomposición de los factores expectativa, período y «carry-over» en variables ficticias codificadas respecto a la última categoría (categoría de referencia). Así, la expectativa y el período con tres categorías se descomponen en las variables ficticias EXP1, EXP2 y PER1, PER2, respectivamente. Por su parte, el «carry-over», definido como un factor con cuatro niveles, se descompone en las variables ficticias CO0, CO1 y CO2. Obsérvese que CO0 coincide con PER1; es decir, el primer nivel del factor «carry-over» que representa la ausencia de tratamiento precedente coincide con el primer nivel del factor período. Por este motivo, cuando se incluye el factor período y el factor «carry-over» en el modelo, se obtiene la matriz de rango máximo excluyendo la variable ficticia CO0 del análisis. No es preciso que la matriz de datos que se introduce en LogXact contenga las variables ficticias EXP1, EXP2, PER1 y PER2, puesto que el programa las puede crear automáticamente con el mandato «factor». Sin embargo, en el caso del «carry-over» no se puede utilizar este mandato porque lo descompondría en tres variables ficticias, sin la posibilidad de excluir la CO0. Así pues, en este caso particular la matriz de datos debe contener las variables CO1 y CO2, correspondientes a los dos grados de libertad del factor «carry-over» que interesa analizar. La Figura 2 contiene la estructura de la matriz de datos a introducir junto con los mandatos LogXact para definirla. Los dos primeros (st y re) definen la variable de estratificación y la repuesta. El mandato fa indica que las variables expectativa y período son categóricas. Finalmente, el mandato mo expresa el modelo a estimar. Después de estas especificaciones la significación de los diferentes factores del modelo se obtiene con el mandato te ex y la estimación de los parámetros con el mandato es ex. Figura 2. Estructura de la matriz de datos y mandatos LogXact. La Figura 3 presenta la significación de la hipótesis nula de ausencia de efecto de expectativa (H 0 : β1 = β 2 = 0), de período (H 0 : β3 = β 4 = 0) y de carry-over (H 0 : β5 = β 6 = 0). La parte superior del listado incluye la especificación del modelo ajustado, el número de estratos informativos (Informtve Strata), el número de observaciones que entran en el análisis (Obs), el número de combinaciones distintas de covariables en el grupo de datos (Groups) y el estadístico de razón de verosimilitud correspondiente al modelo completo (Liklihd Ratio Stat). Para comprender los tres primeros valores que aparecen en el listado, es preciso señalar que el tratamiento de la estructura de dependencia intrasujeto que realiza el análisis condicional comporta excluir las secuencias de respuesta que no reflejan preferencia por alguno de los tratamientos (secuencias 000 y 111). Así, en los datos de nuestro ejemplo existen 5 casos cuya secuencia de respues- Figura 3. Modelo de regresión logística Psicothema, 1997

7 MARIONA PORTELL Y JOSEP M. DOMÈNECH tas es 000, de manera que el número de estratos informativos es 23-5=18 y el número de observaciones y de grupos es 18x3=54. LogXact presenta el valor de los estadísticos de las pruebas de razón de verosimilitud, de Wald y de tasa de discriminación para cada uno de los factores, pero a diferencia de los que se utilizan en análisis no estratificados, en este caso se derivan de una función de verosimilitud condicional de forma que no se pierden grados de libertad para estimar el efecto específico de estrato. Junto a cada uno de ellos se indica el correspondiente grado de significación asintótico derivado de una distribución de χ 2 con dos grados de libertad. LogXact ofrece dos posibilidades para realizar la prueba exacta: la tasa de discriminación condicional exacta (Q sc ) y la probabilidad condicional exacta; siguiendo las recomendación de los autores del programa hemos seleccionado la primera (Mehta y Patel, 1993, p. A-15). Los grados de significación exactos que aparecen en el listado se basan en la suma de las probabilidades de todos los valores de la distribución de permutaciones del estadístico suficiente cuya tasa de discriminación condicional iguala o supera el valor del estadístico q sc observado. Examinando los resultados aportados por las pruebas exactas de la Figura 3 podemos concluir que el efecto de la expectativa (P=0.004) y del período (P=0.026) son significativos, mientras que el efecto del «carry-over» (P=0.89) es no significativo. Los resultados anteriores nos inducen a ajustar un nuevo modelo excluyendo los términos β 5 y β 6 correspondientes al «carryover». Los resultados obtenidos indican que en este caso tanto el efecto de la expectativa (P=0.001) como el del período (P=0.027) siguen siendo significativos (ver Figura 4). La parte inferior de la Figura 4 contiene la estimación de los parámetros del modelo reducido. LogXact proporciona dos tipos de estimación para cada uno de los parámetros. Figura 4. Modelo de regresión logística 2. En primer lugar presenta el resultado del método asintótico, que es la estimación máximo-verosímil derivada de una función de verosimilitud condicional, acompañada del error estándar, el intervalo de confianza y el grado de significación. En segundo lugar el programa proporciona la estimación basada en métodos de inferencia exactos. La estimación puntual del parámetro que se incluye dentro de este bloque se puede obtener por dos vías. La primera se basa en la maximización de la función de verosimilitud condicional, pero a diferencia de la estimación que se incluye dentro de la aproximación asintótica, en este caso el condicionamiento se realiza sobre los estadísticos suficientes de todos los parámetros, y no únicamente sobre los estadísticos suficientes de las constantes específicas de estrato. La segunda vía consiste en la estimación puntual de la mediana insesgada (MUE) y se presenta cuando no es posible maximizar la función debido a que el estadístico suficiente de la β que se pretende estimar está situado en uno de los extremos de su rango. Mehta y Patel (1993, p. A-17) advierten que esta última estimación se debe interpretar con cautela, y que en el caso de que no se pueda obtener una estimación máximo-verosímil el peso de la interpretación recaiga sobre la estimación por intervalo. Junto al valor de la Psicothema,

8 UNA PROPUESTA PARA EL ANÁLISIS DE RESPUESTAS BINARIAS EN DISEÑOS «CROSS-OVER» estimación puntual se presenta el intervalo de confianza exacto y el grado de significación asociado a la hipótesis nula ß k =0. Para poder interpretar los resultados de la estimación es conveniente transformar los valores β y los límites de sus correspondientes intervalos de confianza (IC95%) en términos de razones de odds (esta operación la puede realizar automáticamente Log- Xact). A continuación se indican los resultados de esta transformación para los valores de la estimación exacta: β1 OR = e 1.1 = 3.01 (IC95%: 1/2 a 32.8) β2 OR = e 2.97 = 19.4 (IC95%: 2.2 a 961) Globalmente estos resultados no contradicen la hipótesis planteada sobre el efecto de la expectativa, después de ajustar por el efecto de período. Así, β indica que en la situación de expectativa máxima la decisión de adoptar precauciones es 19.4 veces mayor que en la situación en la que la que el profesional no tiene indicios para formarse expectativas sobre la posibilidad de que el paciente sea VIH+ (IC95% de OR: 2.2 a 961). Sin embargo, a partir de los valores asociados a β1 no se observa una reducción significativa de la decisión de adoptar precauciones cuando el sujeto se enfrenta a una situación en que la expectativa de riesgo es mínima, respecto a cuando se enfrenta a una situación en la que no puede precisar el estado del paciente (IC95% de OR: 1/2 a 32.8). Conclusión El análisis de variables dependientes categóricas en diseños intrasujeto constituye una activa área de investigación, que en los últimos años ha generado numerosas propuestas (cfr. Kenward y Jones, 1992). Los diseños «cross-over» con variables dependientes binarias constituyen un caso particular de esta problemática, y en este artículo hemos abordado su análisis desde una perspectiva eminentemente aplicada, presentado un procedimiento accesible mediante un «software» comercial. La estrategia de análisis implementada en LogXact permite superar algunas de las limitaciones asociadas a otras estrategias para analizar diseños «cross-over» con variables binarias (Jones y Kenward, 1989 y Kenward y Jones, 1992). Así, por ejemplo, algunas alternativas de uso común como los modelos marginales son poco aconsejables cuando el tamaño de la muestra no es muy grande y existen múltiples casillas con 0 efectivos. Estos problemas se pueden superar con el modelo condicional exacto implementado en la aplicación LogXact. Tal como muestran Mehta y Patel (1993, 1995) a través de diferentes ejemplos, el método de inferencia exacto utilizado por LogXact ofrece estimaciones estadísticamente válidas en situaciones en las que los métodos asintóticos de máxima verosimilitud se muestran deficientes. Hasta ahora sólo hemos destacado las ventajas asociadas al modelo de regresión logística condicional exacta, pero también presenta algunas limitaciones. En este sentido cabe mencionar la pérdida de información intersujeto como resultado del proceso de condicionamiento. El hecho de que el modelo considere únicamente la información intrasujeto implica que las inferencias que se obtienen son específicas de sujeto. Si bien esto no impide realizar investigaciones válidas sobre el efecto de un tratamiento, Kenward y Jones (1991, p.1617) señalan que «para poder explorar las implicaciones completas de estas inferencias en un sentido de promedio poblacional es necesario hacer uso de la información intersujeto». Esto implica introducir alguna distribución para los parámetros de sujeto o modelizar directamente los efectos marginales, y ambas alternativas presentan problemas cuando las muestras son de tamaño peque- 414 Psicothema, 1997

9 MARIONA PORTELL Y JOSEP M. DOMÈNECH ño o moderado y se utilizan diseños con más de dos grupos de secuencias y/o más de dos períodos de tratamiento (diseños de alto orden). Como ya hemos repetido en diversos puntos de la exposición, el problema que se ha planteado en este artículo entronca con un área de investigación que se halla en permanente desarrollo. Hasta hace pocos años los métodos de inferencia exacta no se consideraban una opción práctica por las enormes dificultades de orden computacional que comportaban. Los avances en la algorítmica estadística combinados con la facilidad para disponer de ordenadores potentes ha cambiado totalmente el panorama y todos los indicios sugieren que esta tendencia irá en aumento. Esperemos que por esta vía se vayan aportando soluciones prácticas a los múltiples problemas de análisis estadístico que se presentan en Ciencias de la Salud. Agradecimientos Los autores agradecen a Josep Fortiana sus indicaciones sobre la especificación de este tipo de modelos y a Josep Maria Losilla su ayuda para automatizar la grabación de matrices de datos en formato LogXact. Referencias Arnau, J. (1995). Diseños de medidas repetidas II: Diseños de dos grupos y diseños de estructuras más complejas. En J. Arnau (Ed.), Diseños longitudinales aplicados a las ciencias sociales y del comportamiento, (pp ). México: Limusa. Arnau, J. y Viader, M. (1991). Diseños crossover (alternativos): aspectos metodológicos y analíticos. Qurrículum, 1/2, Bishop, S.H. y Jones, B. (1984). A review of higher-order cross-over designs. Journal of Applied Statistics, 11(1), Conaway, M.R. (1989). Analysis of repeated categorical measurements with conditional likelihood methods. Journal of the American Statistical Association, 84(405), Greenwald, A.G. (1976). Withing-Subjects designs: to use or not to use? Psychological Bulletin, 83, Jones, B. y Kenward, M.G. (1987). Modelling binary data from a three-period cross-over trial. Statistics in Medicine, 6, Jones, B. y Kenward, M.G. (1989). Design and analysis of cross-over trials. London: Chapman and Hall. Jones, B. y Lewis, J.A. (1995). The case for cross-over trials in phase III. Statistics in Medicine, 14, Kenward, M.G. y Jones, B. (1991). The analysis of categorical data from cross-over trials using a latent variable model. Statistics in Medicine, 10, Kenward, M.G. y Jones, B. (1992). Alternative approaches to the analysis of binary and categorical repeated measurements. Journal of Biopharmaceutical Statistics, 2(2), Mehta, C.R. y Patel, N.R. (1993). LogXact Turbo. User manual (V.1.1). Cambridge: CYTEL Software Corporation. Mehta, C.R. y Patel, N.R. (1995). Exact logistic regression: theory and examples. Statistics in Medicine, 14, Portell, M. (1995). La adopción de precauciones como resultado de un proceso de decisión en condición de riesgo: una perspectiva para analizar el incumplimiento de las precauciones universales contra la infección por VIH. Tesis doctoral no publicada. Universitat Autònoma de Barcelona, Bellaterra, Barcelona. Senn, S.J. (1993). Cross-over trials in clinical research. New York: John Wiley & Sons, Inc. Aceptado el 21 de enero de 1997 Psicothema,

Diseños cross-over (alternativos): Aspectos metodológicos y analíticos*

Diseños cross-over (alternativos): Aspectos metodológicos y analíticos* Diseños cross-over (alternativos): Aspectos metodológicos y analíticos* Jaime Arnau Gras y Manuel Viader Junyent El diseño alternativo o cross-over, conocido también como diseño change-over, es un esquema

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

Mónica López Ratón BIOSTATECH, Advice, Training & Innovation in Biostatistics, S.L. Octubre 2012. monica.lopez.raton@usc.es

Mónica López Ratón BIOSTATECH, Advice, Training & Innovation in Biostatistics, S.L. Octubre 2012. monica.lopez.raton@usc.es Mónica López Ratón BIOSTATECH, Advice, Training & Innovation in Biostatistics, S.L. Octubre 01 monica.lopez.raton@usc.es Tablas de contingencia y tests asociados Índice 1. Datos categóricos. Tablas de

Más detalles

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma:

Los modelos que permite construir el ANOVA pueden ser reducidos a la siguiente forma: Ignacio Martín Tamayo 25 Tema: ANÁLISIS DE VARIANZA CON SPSS 8.0 ÍNDICE --------------------------------------------------------- 1. Modelos de ANOVA 2. ANOVA unifactorial entregrupos 3. ANOVA multifactorial

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

T. 5 Inferencia estadística acerca de la relación entre variables

T. 5 Inferencia estadística acerca de la relación entre variables T. 5 Inferencia estadística acerca de la relación entre variables 1. El caso de dos variables categóricas 2. El caso de una variable categórica y una variable cuantitativa 3. El caso de dos variables cuantitativas

Más detalles

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba

Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida. Por: Prof. Elena del C. Coba Técnicas de análisis para el uso de resultados de encuestas y estudios aplicados al VIH/sida Por: Prof. Elena del C. Coba Encuestas y estudios aplicados al VIH/sida Definir la fuente de los datos: Datos

Más detalles

ESQUEMA GENERAL DISEÑOS DE MEDIDAS REPETIDAS

ESQUEMA GENERAL DISEÑOS DE MEDIDAS REPETIDAS TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño de medidas parcialmente repetidas DISEÑOS DE MEDIDAS REPETIDAS Definición

Más detalles

Técnicas de regresión: Regresión Lineal Múltiple

Técnicas de regresión: Regresión Lineal Múltiple Investigación: Técnicas de regresión: regresión lineal múltiple 1/1 Técnicas de regresión: Regresión Lineal Múltiple Pértega Díaz S., Pita Fernández S. Unidad de Epidemiología Clínica y Bioestadística.

Más detalles

Medidas de concordancia: el índice de Kappa

Medidas de concordancia: el índice de Kappa Investigación: Medidas de concordancia: el índice de Kappa 1/5 Medidas de concordancia: el índice de Kappa Autores: López de Ullibarri Galparsoro I, Pita Fernández, S. Unidad de Epidemiología Clínica y

Más detalles

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo

Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit vía Monte Carlo Revista Colombiana de Estadística Volumen 28 N o 1. pp. 77 a 96. Junio 2005 Una comparación entre la inferencia basada en las estadísticas de Wald y razón de verosimilitud en los modelos logit y probit

Más detalles

Test de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n

Test de hipótesis. Si H0 es cierta el estadístico. sigue una distribución t de Student con n grados de libertad: s n Un diseño experimental que se utiliza muy a menudo es el de un grupo control y uno de tratamiento. En el caso de que los datos sean cuantitativos y sigan una distribución normal, la hipótesis de interés

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

Más detalles

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS

Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:

Más detalles

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

ANÁLISIS MULTIVARIANTE. Créditos. Teóricos: 6 Prácticos: 3 Total: 9. Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi Presentación ANÁLISIS MULTIVARIANTE MATEMÁTICAS SEGUNDO CICLO OPTATIVA SEGUNDO CUATRIMESTRE Créditos. Teóricos: 6 Prácticos: 3 Total: 9 Profesoras: Agurtzane Amparan, Silvia Marcaida y Arantza Urkaregi

Más detalles

I. INTRODUCCION II. METODOLOGIA DE ESTUDIO. 2. 1 Generalidades

I. INTRODUCCION II. METODOLOGIA DE ESTUDIO. 2. 1 Generalidades M e t o d o l o g í a e s t a d í s t i c a p a r a e l e s t u d i o y e v a l u a c i ó n d e a s p e c t o s t é c n i c o s e n l a c o n s t r u c c i ó n Pág. 21-33 Hernán de Solminihac T. Profesor

Más detalles

DYANE Versión 4 Diseño y Análisis de Encuestas

DYANE Versión 4 Diseño y Análisis de Encuestas DYANE Versión 4 Diseño y Análisis de Encuestas Miguel Santesmases Mestre 1. DESCRIPCIÓN GENERAL DEL PROGRAMA DYANE 1. FINALIDAD Y MÉTODO DEL PROGRAMA DYANE (Diseño y Análisis de Encuestas) es un programa

Más detalles

Relación entre variables cuantitativas

Relación entre variables cuantitativas Investigación: Relación entre variables cuantitativas 1/8 Relación entre variables cuantitativas Pita Fernández S., Pértega Díaz S. Unidad de Epidemiología Clínica y Bioestadística. Complexo Hospitalario

Más detalles

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos

Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos I. Barbona - Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparación de métodos de clasificación aplicados a textos Científicos y No Científicos Comparison among

Más detalles

1 Ejemplo de análisis descriptivo de un conjunto de datos

1 Ejemplo de análisis descriptivo de un conjunto de datos 1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos

Más detalles

320514 - APTM - Análisis de Procesos Textiles y de Mercados

320514 - APTM - Análisis de Procesos Textiles y de Mercados Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 320 - EET - Escuela de Ingeniería de Terrassa 714 - ETP - Departamento de Ingeniería Textil y Papelera MÁSTER UNIVERSITARIO

Más detalles

Conceptos básicos de estadística para clínicos

Conceptos básicos de estadística para clínicos Conceptos básicos de estadística para clínicos Víctor Abraira A Coruña. Noviembre 2008 Programa Valor p : qué significa? Aleatorización Pruebas de hipótesis para variables continuas Pruebas de hipótesis

Más detalles

Análisis de la Varianza de un Factor

Análisis de la Varianza de un Factor Práctica de Estadística con Statgraphics Análisis de la Varianza de un Factor Fundamentos teóricos El Análisis de la Varianza con un Factor es una técnica estadística de contraste de hipótesis, cuyo propósito

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

Curso/Tutorial: Estadística Aplicada en la Investigación Biomédica

Curso/Tutorial: Estadística Aplicada en la Investigación Biomédica Curso/Tutorial: Estadística Aplicada en la Investigación Biomédica Nombre del curso Modalidad Duración Intensidad Certificado Dirigido a Estadística Aplicada en la Investigación Biomédica Virtual 16 sesiones

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC

TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC REVISTA IIPSI FACULTAD DE PSICOLOGÍA UNMSM ISSN IMPRESA: 1560-909X ISSN ELECTRÓNICA: 1609-7445 VOL. 16 - N.º 2-2013 PP. 235-240 TAMAÑO DEL EFECTO: CÁLCULO MEDIANTE UN MÓDULO EN VISUAL BASIC EFFECT SIZE:

Más detalles

Curso de Estadística no-paramétrica

Curso de Estadística no-paramétrica Curso de Estadística no-paramétrica Sesión 1: Introducción Inferencia no Paramétrica David Conesa Grup d Estadística espacial i Temporal Departament d Estadística en Epidemiologia i Medi Ambient i Investigació

Más detalles

Cómo hacer paso a paso un Análisis de Supervivencia con SPSS para Windows.

Cómo hacer paso a paso un Análisis de Supervivencia con SPSS para Windows. DOCUWEB FABIS Dot. Núm 0702006 Cómo hacer paso a paso un Análisis de Supervivencia con SPSS para Windows. Aguayo Canela M, Lora Monge E Servicio de Medicina Interna. Hospital Universitario Virgen Macarena.

Más detalles

Modelos de elección binaria

Modelos de elección binaria Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión

Más detalles

Carta de control CEV X para distribuciones Weibull con datos censurados

Carta de control CEV X para distribuciones Weibull con datos censurados Revista Colombiana de Estadística Volumen 28 N o 2. pp. 125 a 139. Diciembre 2005 Carta de control CEV X para distribuciones Weibull con datos censurados CEV X Control Chart for Weibull Distributions with

Más detalles

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral

ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral ANÁLISIS DE LA VARIANZA (ANOVA) José Vicéns Otero Ainhoa Herrarte Sánchez Eva Medina Moral Enero 2005 1.- INTRODUCCIÓN En múltiples ocasiones el analista o investigador se enfrenta al problema de determinar

Más detalles

TEMARIO DETALLADO DE LOS MODULOS VIRTUALES:

TEMARIO DETALLADO DE LOS MODULOS VIRTUALES: TEMARIO DETALLADO DE LOS MODULOS VIRTUALES: Módulo 1: Introducción a la epidemiología 1. Qué es la epidemiología? Definiciones y tipos de epidemiología: 2. Breve historia de la epidemiología del cáncer

Más detalles

EL DISEÑO FACTORIAL COMPLETO 2 k

EL DISEÑO FACTORIAL COMPLETO 2 k EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo

Más detalles

Análisis bayesiano de modelos de riesgo en compañías de seguros

Análisis bayesiano de modelos de riesgo en compañías de seguros Análisis bayesiano de modelos de riesgo en compañías de seguros M. Concepción Ausín, Departamento de Estadística e Investigación Operativa, Universidad Complutense de Madrid. Trabajo conjunto con Juan

Más detalles

ANÁLISIS DE LA VARIANZA PARTE SEGUNDA

ANÁLISIS DE LA VARIANZA PARTE SEGUNDA ANÁLISIS DE LA VARIANZA PARTE SEGUNDA Septiembre de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO EN BLOQUES ALEATORIZADOS 1 3. EJEMPLO DE DISEÑO EN BLOQUES

Más detalles

IBM SPSS Regression 20

IBM SPSS Regression 20 IBM SPSS Regression 20 Nota: Antes de utilizar esta información y el producto que admite, lea la información general en Avisos el p. 46. Esta edición se aplica a IBM SPSS Statistics 20 y a todas las versiones

Más detalles

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS

UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS UTILIZACIÓN DE SIMULACIONES PARA EVALUAR LOS RIESGOS AGROPECUARIOS Lic. Marina Pecar 1 1-Análisis Monte Carlo Al proceso utilizado para aproximar soluciones de un modelo mediante la aplicación repetitiva

Más detalles

Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias

Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía

Más detalles

MEDIDAS DE RESULTADOS DE LOS ENSAYOS CLÍNICOS

MEDIDAS DE RESULTADOS DE LOS ENSAYOS CLÍNICOS MEDIDAS DE RESULTADOS DE LOS ENSAYOS CLÍNICOS María Dolores Vega Coca Especialista en Farmacia Hospitalaria Agencia de Evaluación de Tecnologías Sanitarias de Andalucía (AETSA) Jornada previa de apoyo

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Capítulo 16 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas

Capítulo 16 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas Capítulo 6 Análisis de varianza con medidas repetidas: El procedimiento MLG: Medidas repetidas Los modelos de análisis de varianza (ANOVA) con medidas repetidas (MR) sirven para estudiar el efecto de uno

Más detalles

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales

Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Capítulo 17 Análisis de correlación lineal: Los procedimientos Correlaciones bivariadas y Correlaciones parciales Cuando se analizan datos, el interés del analista suele centrarse en dos grandes objetivos:

Más detalles

Inferencia Estadística

Inferencia Estadística EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre

Más detalles

EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression in the prediction of the student performance

EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression in the prediction of the student performance Estudios Pedagógicos XXXIII, Nº 2: 101-120, 2007 INVESTIGACIONES UNA APLICACION DEL MODELO DE REGRESION LOGISTICA EN LA PREDICCION DEL RENDIMIENTO ESTUDIANTIL* An application of the model logistic regression

Más detalles

Carrera: ACF-0803 4-2 - 8. Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos

Carrera: ACF-0803 4-2 - 8. Participantes. Academia Eléctrica y Electrónica del Instituto Tecnológico Superior de Coatzacoalcos 1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Análisis Estadístico a Procesos Ingeniería Electrónica ACF-0803 4-2 - 8 2.- HISTORIA

Más detalles

TABLAS DE CONTINGENCIA

TABLAS DE CONTINGENCIA TABLAS DE CONTINGENCIA INDICE TABLAS DE CONTINGENCIA... 3 CONCEPTOS GENERALES...3 TABLAS DE ASOCIACIÓN: EXPOSICIÓN ENFERMEDAD... 5 TABLAS 2X2 SIMPLES... 5 Estudio transversal...6 Estudio de cohortes...9

Más detalles

Cómo hacer una Regresión Logística con SPSS paso a paso. (I)

Cómo hacer una Regresión Logística con SPSS paso a paso. (I) DOCUWEB FABIS Dot. Núm 070202 Cómo hacer una Regresión Logística con SPSS paso a paso. (I) Aguayo Canela, Mariano. Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla Resumen

Más detalles

5 Asociación: organización y representación gráfica de datos multivariados

5 Asociación: organización y representación gráfica de datos multivariados 5 Asociación: organización y representación gráfica de datos multivariados. La distribución conjunta multivariada.. La tabla de contingencia. Representaciones gráficas.. El caso de dos variables categóricas..

Más detalles

Regresión múltiple. Modelos y Simulación. I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía

Regresión múltiple. Modelos y Simulación. I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía Regresión múltiple I. Introducción II. Marco teórico III. Aplicación IV. Conclusiones V. Bibliografía I.- INTRODUCCIÓN Como la Estadística Inferencial nos permite trabajar con una variable a nivel de intervalo

Más detalles

IBM SPSS Missing Values 22

IBM SPSS Missing Values 22 IBM SPSS Missing Values 22 Nota Antes de utilizar esta información y el producto al que da soporte, lea la información del apartado Avisos en la página 23. Información de producto Esta edición se aplica

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

ESCUELA COLOMBIANA DE INGENIERÍA

ESCUELA COLOMBIANA DE INGENIERÍA ESCUELA COLOMBIANA DE INGENIERÍA ASIGNATURA: ESTADÍSTICA DEPARTAMENTO: MATEMÁTICAS PLANES DE ESTUDIO: CÓDIGO: Mnemónico ESTI Numérico 1. OBJETIVOS GENERALES Desarrollar habilidades para organizar, representar

Más detalles

Manual de psicología experimental

Manual de psicología experimental Juan Pascual Llobell María Dolores Frías Navarro José Fernando García Pérez Universitat de València Manual de psicología experimental Metodología de investigación Ariel Psicología, 199 1 Capítulo III

Más detalles

Tema 10. Estimación Puntual.

Tema 10. Estimación Puntual. Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener

Más detalles

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO

UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN ANÁLISIS MULTIVARIADO OBJETIVO GENERAL El curso es de un nivel matemático intermedio y tiene

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti.

Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. Métodos Estadísticos sticos para Diagnósticos MédicosM Barcelona, uno de marzo de 2008 Pablo Martínez-Camblor Subdirección de Salud de Guipuzcoa, Donosti. MODULO: Diseño de proyectos y análisis estadístico

Más detalles

Diseños de Investigación 40 conceptos que debes conocer

Diseños de Investigación 40 conceptos que debes conocer Diseños de Investigación 40 conceptos que debes conocer 1. El método científico: Se puede realizar desde dos enfoques distintos, hipotético deductivo y analítico inductivo. Con frecuencia los dos ocurren

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE ANÁLISIS DISCRIMINANTE 1. Introducción 2. Etapas 3. Caso práctico Análisis de dependencias introducción varias relaciones una relación 1 variable dependiente > 1 variable dependiente

Más detalles

ANÁLISIS DE ENCUESTAS

ANÁLISIS DE ENCUESTAS ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal

Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Estudio de casos y controles sobre factores de riesgo en el cáncer colorrectal Objetivos del estudio Estimar el riesgo de padecer cáncer colorrectal asociado a una serie de variables Población Casos Controles

Más detalles

CAPÍTULO III PROCESO DE ANÁLISIS JERÁRQUICO (AHP)

CAPÍTULO III PROCESO DE ANÁLISIS JERÁRQUICO (AHP) CAPÍTULO III PROCESO DE ANÁLISIS JERÁRQUICO (AHP) 3.1 PROCESO DE ANÁLSIS JERÁRQUICO (AHP) El Proceso de Análisis Jerárquico, desarrollado por Thomas L. Saaty (The Analytic Hierarchy Process, 1980) está

Más detalles

Introducción al Diseño de Experimentos

Introducción al Diseño de Experimentos Introducción al Diseño de Experimentos Introducción Los modelos de diseño de experimentos son modelos estadísticos clásicos cuyo objetivo es averiguar si unos determinados factores influyen en una variable

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES

MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES MULTINOMIAL MODELS: AN ANALISYS OF THEIR PROPERTIES MODELOS MULTINOMIALES: UN ANÁLISIS DE SUS PROPIEDADES Arlen Yahir Guarin Galeano *, Andrés Ramírez Hassan ** y Juan Felipe Torres *** RESUMEN En el presente trabajo se desarrolla un análisis de las propiedades

Más detalles

Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5

Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5 1. DATOS DE LA ASIGNATURA Nombre de la asignatura Carrera Clave de la signatura Créditos 3 2-5 2.- PRESENTACIÓN Caracterización de la asignatura. Probabilidad y estadística descriptiva Ingeniería en gestión

Más detalles

Objetivos Generales. Objetivos específicos. Que el estudiante:

Objetivos Generales. Objetivos específicos. Que el estudiante: ASIGNATURA: MÉTODOS NUMPERICOS I (ANÁLISIS Y PROCESAMIENTO DE LOS DATOS EXPERIMENTALES CON INTRODUCCIÓN A LA COMPUTACIÓN) Objetivos Generales Comprender y manejar los conceptos relacionados con el manejo,

Más detalles

Planificación del tamaño de la muestra. para las evaluaciones de impactos. David Evans, Banco Mundial. (Banco Mundial) Turning Promises into Evidence

Planificación del tamaño de la muestra. para las evaluaciones de impactos. David Evans, Banco Mundial. (Banco Mundial) Turning Promises into Evidence Planificación del tamaño de la muestra para las evaluaciones de impactos David Evans, Banco Mundial Basada en transparencias de Esther Duflo (J-PAL) y Jed Friedman (Banco Mundial) REGIONAL IMPACT EVALUATION

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

Aplicación de los modelos de credit scoring para instituciones microfinacieras.

Aplicación de los modelos de credit scoring para instituciones microfinacieras. Econ. Reynaldo Uscamaita Huillca Aplicación de los modelos de credit scoring para instituciones microfinacieras. OBJETIVO Proporcionar al ejecutivo del sistema financiero un modelo solido que permita tomar

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco

Más detalles

Máster en Economía y Organización de empresas

Máster en Economía y Organización de empresas Máster en Economía y Organización de empresas Módulo III: Competencias para la preparación de trabajo fin de Máster Dr. Eulogio Cordón Pozo ÍNDICE DE CONTENIDOS! 1. Paquetes estadísticos disponibles 2.

Más detalles

TÉCNICAS NO PARAMÉTRICAS

TÉCNICAS NO PARAMÉTRICAS ASIGNATURA DE MÁSTER: TÉCNICAS NO PARAMÉTRICAS Curso 2015/2016 (Código:22201147) 1.PRESENTACIÓN La asignatura Técnicas No Paramétricas forma parte del Módulo 3 que está compuesto por Cursos Optativos que

Más detalles

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS

Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS Introducción a la Econometría (LE y LADE, mañana) Prof. Magdalena Cladera ANÁLISIS DE REGRESIÓN CON EXCEL Y SPSS ESTIMACIÓN DE UN MODELO DE REGRESIÓN LINEAL CON EXCEL La Herramienta para análisis Regresión

Más detalles

Universidad de Málaga

Universidad de Málaga 5 técnicas estadísticas 1.- T-Student calcio.sav 2.- ANOVA lectura.sav 3.- Regresión Múltiple empleados.sav 4.- 2 Chi-Cuadrado empleados.sav 5.- Regresión Logística pena de muerte.sav 1.- T-STUDENT VARIABLE:

Más detalles

240ST014 - Análisis de Datos de Transporte y Logística

240ST014 - Análisis de Datos de Transporte y Logística Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2015 240 - ETSEIB - Escuela Técnica Superior de Ingeniería Industrial de Barcelona 715 - EIO - Departamento de Estadística e Investigación

Más detalles

IBM SPSS Regression 19

IBM SPSS Regression 19 IBM SPSS Regression 19 Note: Before using this information and the product it supports, read the general information under Notices el p. 47. This document contains proprietary information of SPSS Inc,

Más detalles

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2

Solución ESTADÍSTICA. Prueba de evaluación contínua 2 - PEC2 Semestre set04 - feb05 Módulos 11-17 Prueba de evaluación contínua 2 - PEC2 Solución Presentación i objetivos Enunciados: descripción teórica de la práctica a realizar Materiales Criterios de evaluación

Más detalles

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS

CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS CAPÍTULO 1 INTRODUCCIÓN, HIPÓTESIS Y OBJETIVOS 1 INTRODUCCIÓN 1.1 Justificación Esta investigación está motivada por el interés en lograr una mejor comprensión del papel que desempeña la creatividad dentro

Más detalles

EXPERIMENTACIÓN. Eduardo Jiménez Marqués

EXPERIMENTACIÓN. Eduardo Jiménez Marqués EXPERIMENTACIÓN Eduardo Jiménez Marqués 1 CONTENIDO: 1. Experimentación...3 1.1 Concepto...3 1. Definición...4 1.3 Dificultad...4 1.4 Ventaja...5 1.5 Planificación...5 1.6 Aplicaciones...5 1.7 Metodología...6

Más detalles

Diseños en cuadrados latinos

Diseños en cuadrados latinos Capítulo 7 Diseños en cuadrados latinos 7.1. Introducción En el modelo en bloques aleatorizados, que estudiamos en el capítulo anterior, considerábamos un factor principal y un factor de control o variable

Más detalles

1) Introducción *%+,"' -+%%.&+ '

1) Introducción *%+,' -+%%.&+ ' ! "#$%&'()'"&%% *%+,"' -+%%.&+ ' /#-+%%. # # % % 0 % 1"0)"2 $% 3#%"4%%+ 5# 6%%7#&&%"6 5%%8 79#1)#%+&:#% $ 5% + 1) Introducción Antes de abordar este documento es muy recomendable leer detenidamente su

Más detalles

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta

Más detalles

Diseño Estadístico de Experimentos

Diseño Estadístico de Experimentos Capítulo 3 Diseño Estadístico de Experimentos Una prueba o serie de pruebas en las cuales se introducen cambios deliberados en las variables de entrada que forman el proceso, de manera que sea posible

Más detalles

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT

PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT PROBABILIDAD DE APROBAR MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA I EN EL MARCO DE UN MODELO PROBIT Ángel Solano García Mª Isabel González Martínez Universidad de Murcia ABSTRACT Es bien sabido por el futuro

Más detalles

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I

Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................

Más detalles

Comparación de proporciones

Comparación de proporciones 11 Comparación de proporciones Neus Canal Díaz 11.1. Introducción En la investigación biomédica se encuentran con frecuencia datos o variables de tipo cualitativo (nominal u ordinal), mediante las cuales

Más detalles

Análisis multivariable

Análisis multivariable Análisis multivariable Las diferentes técnicas de análisis multivariante cabe agruparlas en tres categorías: «Análisis de dependencia» tratan de explicar la variable considerada independiente a través

Más detalles

Curso DE Fundamentos de Diseño y Estadística

Curso DE Fundamentos de Diseño y Estadística www.metodo.uab.cat Estudios de postgrado en Metodología de la investigación en Ciencias de la Salud Curso DE Fundamentos de Diseño y Estadística Contenidos UD 1 Descripción de datos cuantitativos 1 Conceptos

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles